[发明专利]一种基于生成式对抗网络的无人驾驶车道线检测方法

说明书

本发明公开了一种基于生成式对抗网络的无人驾驶车道线检测方法，包括车道线图片的生成网络、判别网络和检测算法三个部分；首选获取生成网络、判别网络的训练数据，然后将低分辨率图片输入生成网络生成超分辨率图片，将高分辨率图片和超分辨率图片输入判别网络进行清晰度判断，并根据判断结果捕捉超分辨率图片和高分辨率图片的数据分布，生成网络和判别网络基于数据分布进行对抗训练，直至达到纳什均衡，得到最优化的生成网络，将最优化的生成网络生成的超分辨率图片输入检测算法进行车道线识别。本发明采用生成式对抗网络进行无人驾驶车道线检测，可以有效提高车道线检测的精确度。

技术领域

本发明涉及一种基于生成式对抗网络的图像分辨率增强的无人驾驶车道线检测方法，属于计算机图形处理技术和人工智能技术。

背景技术

传统的车道线检测算法虽然能够应对大部分的情况，但是若遇到雾天和雨天等极端的天气情况，摄像头便会受到影响，从而其所能的照片会变得模糊，导致无人驾驶的安全风险不断的累加，一旦发生事故，很容易给乘客带来生命危险。对生成式对抗网络的研究，可以极大的减少无人驾驶时候的安全问题，使得无人驾驶技术更让民众信赖，促进无人驾驶技术的大力发展，为汽车企业和普通用户带来切身利益。

近几年来，很多研究学者通过使用传统的方法提升图像进行高分辨率的图像重建。包括传统使用的双三次图像插值算法，但是其一般处理的是较小的图像，一旦图像的放大倍数在4倍以上，很容易使得到的结果显得过于平滑，而缺少一些细节上的真实感。

生成式对抗网络最先是在2014年提出的一种生成式模型，将对抗学习用于基于单幅图像的高分辨重建已经取得了很好的效果，对抗网络结构SRGAN(Super-ResolutionUsing a Generative Adversarial Network)能够生成十分锐利清晰的图像，可应用于无人驾驶中的车道线检测。

发明内容

发明目的：为了克服现有技术中存在的不足，本发明提供一种基于生成式对抗网络的图像分辨率增强的无人驾驶车道线检测方法，能够安全、快速、高效地进行车道线检测，增加无人驾驶的安全性，保证无人驾驶车辆的安全性和可用性的方向，具有较高的研究意义。

技术方案：为实现上述目的，本发明采用的技术方案为：

一种基于生成式对抗网络的无人驾驶车道线检测方法，包括车道线图片的生成网络、判别网络和检测算法三个部分；首先获取生成网络、判别网络的训练数据，然后将低分辨率图片输入生成网络生成超分辨率图片，将高分辨率图片和超分辨率图片输入判别网络进行准确度判断，并根据判断结果捕捉超分辨率图片和高分辨率图片的数据分布，生成网络和判别网络基于数据分布进行对抗训练，直至达到纳什均衡，得到最优化的生成网络，将最优化的生成网络生成的超分辨率图片输入检测算法进行车道线识别。

优选的，所述生成网络和判别网络采用神经网络进行训练，训练数据包括成对的车道线模糊图片和车道线清晰图片，即成对的低分辨率图片和高分辨率图片；具体训练过程包括如下步骤：

步骤1：获取生成网络G和判别网络D的训练数据，采集车道线的高分辨率图片I^HR，并制作高分辨率图片I^HR对应的低分辨率图片I^LR；

步骤2：将低分辨率图片I^LR输入生成网络G，从而生成超分辨率图片I^SR＝G(I^LR)；

步骤3：将成对的超分辨率图片I^SR和高分辨率图片I^HR同时输入判别网络D进行准确度判断，并根据判断结果捕捉超分辨率图片I^SR和高分辨率图片I^HR的数据分布p_date(I^SR)和p_date(I^HR)；